234 0

데이터 학습을 통한 차량의 주행 성향 판단 및 경로 예측 통합 알고리즘

Title
데이터 학습을 통한 차량의 주행 성향 판단 및 경로 예측 통합 알고리즘
Other Titles
Integrated Algorithm for Driving Style Judgement and Trajectory Prediction using Data Learning
Author
권나현
Alternative Author(s)
Nahyun Kweon
Advisor(s)
허건수
Issue Date
2022. 2
Publisher
한양대학교
Degree
Master
Abstract
운전자의 안전과 편의를 위해 개발되고 있는 첨단 운전자 보조 시스템 중에서 운전자의 이상 상태 파악 및 경고 시스템과 충돌 회피 시스템에 관한 많은 연구가 이뤄지고 있다. 충돌을 회피하기 위해서는 자차량과 주변 차량의 움직임에 대한 정확한 예측이 필수적이다. 하지만 실제 도로에서는 다양한 운전자가 여러 상황에서 차량을 주행하기 때문에 움직임을 예측하기 어렵다. 본 연구에서는 차량의 CAN-bus로 얻을 수 있는 데이터만 사용하여 주행 성향을 판단하고 이를 이용하여 차량의 경로를 예측하는 통합 알고리즘을 제안한다. 차량의 움직임을 대표할 수 있는 주행 성향을 판단하여 운전자의 이상 상태를 파악할 수 있으며 주행 성향을 경로 예측에 반영하여 차량의 다양한 움직임을 정확하게 예측을 할 수 있다. 제안하는 통합 알고리즘은 주행 성향 판단 네트워크와 경로 예측 네트워크로 구성된다. 주행 성향 판단 네트워크는 딥러닝 기술을 기반으로 주행 데이터를 변환하고 주행 성향을 판단하는 구조로 설계하였으며 RPCNN과 DCLA 두 가지 구조로 제작하였다. 경로 예측 네트워크는 조건부 생성 모델을 이용하여 미래 경로를 생성하여 예측하는 구조로 설계하였으며 CGAN과 CVAE 두 가지 구조로 제작하였다. 네트워크의 조합에 따라 통합 알고리즘을 제작하고 성능 비교를 위해 비교 알고리즘을 제작하였다. HILS 환경을 구성하고 정의한 주행 성향에 따라 데이터를 수집하였고 알고리즘 검증을 위해 주행 성향과 무관한 데이터도 수집하였다. 또한, 오픈 데이터 셋 중 highD 데이터 셋을 클러스터링 기법을 통해 주행 성향으로 분류하였다. HILS 데이터와 highD 데이터 셋을 이용해 통합 알고리즘에 대한 주행 성향 판단 및 경로 예측 성능을 검증하였다.| It is difficult to predict the movement of the vehicle because various drivers drive in numerous road conditions. This research proposes an integrated algorithm that uses only data that can be obtained from the CAN-bus of the vehicle to judge the driving style and predict the trajectory by reflecting the style. The abnormal state of the driver can be determined by judging the driving style representing the movement of the vehicle, and the various movement of vehicle can be accurately predicted by using the driving style. The proposed integrated algorithm consists of a driving style judgement network and a trajectory prediction network. The driving style judgement network is designed in a structure that converts driving data and determines driving style based on deep learning technology. The trajectory prediction network is designed in a structure that generates and predicts future trajectories using a conditional generative model. Each network was designed in two different structures. Integrated algorithms were built according to network combinations and comparison algorithms were built to compare performance. The HILS environment was configured and driving data was collected according to the defined driving style. The performance of driving style judgement and trajectory prediction was verified using HILS data and highD dataset classified by driving style.
URI
http://hanyang.dcollection.net/common/orgView/200000591386https://repository.hanyang.ac.kr/handle/20.500.11754/167929
Appears in Collections:
GRADUATE SCHOOL[S](대학원) > AUTOMOTIVE ELECTRONICS & CONTROL ENGINEERING(자동차전자제어공학과) > Theses (Master)
Files in This Item:
There are no files associated with this item.
Export
RIS (EndNote)
XLS (Excel)
XML


qrcode

Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.

BROWSE